基于多级多分辨网络的稠密目标检测方法

摘要

针对使用通用目标检测方法检测稠密目标常出现的漏检的问题,提出一种高效的基于多级多分辨网络的稠密目标检测方法。首先,通过多级多分辨的训练策略捕捉目标密集所丢失的细节;其次,利用基于形状先验的锚点生成方法,统计不同尺度下稠密目标所具有的形状变化;最后,考虑到稠密分布的目标具有较大的外观差异,通过采用不同尺寸的卷积核提取图像不同尺度的特征信息,有效解决现有检测模型中的目标信息丢失问题。在公开的车辆数据集CARPK(Car Parking lot dataset)上验证了所提方法的有效性。与现有公开最好的GANet(Guided Attention Network)实验结果相比,平均准确率提升了6.4个百分点。实验结果表明,对于不同场景条件下的稠密分布的目标,所提出的多级多分辨网络模型能够达到更好的检测效果。